协同过滤的深度自编码器训练

Aug, 2017

Training Deep AutoEncoders for Collaborative Filtering

Oleksii Kuchaiev, Boris Ginsburg

TL;DR本文提出了一种基于深度自编码器的新模型，通过对 Netflix 数据集进行评分预测任务，相对于之前的模型具有明显优势。该模型不需要层预训练，采用 6 层自编码器进行端到端的训练，通过实验证明：深度自编码器模型的泛化能力比浅层模型更好，负部分的非线性激活函数对于训练深度模型至关重要，必须大量采用正则化技术，如 dropout，以防止过拟合。此外，我们提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法显著加速了训练并改善了模型性能。

Abstract

This paper proposes a novel model for the rating prediction task in recommender systems which significantly outperforms previous state-of-the art models on a time-split Netflix data set. Our model is based on dee

recommender systems autoencoder regularization collaborative filtering rating prediction

发现论文，激发创造

稀疏数据的浅层自编码器

本研究提出一种基于简单元素的线性模型，针对推荐系统的稀疏数据和隐式反馈数据，并展示其训练目标具有闭式解，该简单模型在所有公开数据集上都取得了比深度非线性模型更好的排名准确性。

May, 2019

一种用于协同过滤的混合变分自编码器

本文利用变分自编码器和电影嵌入向量，应用于电影推荐，通过 VAE 网络获取潜在表示，探索了合作式过滤的新方法。

Jul, 2018

协同反思增强自编码网络用于推荐系统

文章提出了 Collaborative Reflection-Augmented Autoencoder Network (CRANet) 相关理论，旨在解决在训练阶段中由缺省数据引入的负信号所带来的推荐性能下降问题，并通过实验验证 CRANet 相比于其他推荐技术可以显著改善推荐问题的性能。

Jan, 2022

协同过滤的变分自编码器

本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。

Feb, 2018

基于自编码器的混合推荐系统

本文介绍了一种用于推荐系统的基于自编码器的架构，通过使用适用于缺失数据的损失函数和引入侧面信息来改进其性能。实验证明，侧面信息对冷启动用户 / 物品的影响更显著。

Jun, 2016

自编码推荐器的结构学习

本文利用协同过滤领域中的固有项群组，提出了一种结构学习方法，可以将自动编码器推荐算法的连接结构优化为稀疏连接，其结果比 Mult-vae/Mult-dae 等最先进的方法更为优越。

Aug, 2020

RecVAE：一种新的变分自编码器，用于使用隐式反馈的 Top-N 推荐

该论文提出了基于变分自编码器的推荐 VAE（RecVAE）模型，通过多种方法改进了 Mult-VAE 模型并优于以前提出的基于自编码器的模型，实验结果表明 RecVAE 显著优于先前提出的基于自编码器的模型。

Dec, 2019

具有附加信息的 Top-N 推荐的集体变分自编码器

该论文提出了一种利用变分自编码器从辅助信息中学习特征表示和同时恢复用户评分和辅助信息的方法，相较于现有的基于辅助信息的推荐方法，其具有更高的效果

Jul, 2018

使用二阶算法进行自动尺寸调整和高效深度自编码器训练

通过多步训练方法设计广义线性分类器，优化验证误差、改进期望输出并提升深度学习模型的性能，从而构建小而强大的快速深度学习模型。

Aug, 2023

协作循环自编码器：学习填补空白时进行推荐

本研究利用协同过滤和深度学习来设计了一种混合方法 CRAE，包括一种去噪自编码器和一种可学习池化模式，模拟了推荐系统中内容序列的生成过程，在不同领域的真实数据集中，能够显著提高推荐和序列生成的准确性。

Nov, 2016